Czym jest nowcasting?

Podobnie jak prognozowanie , które polega na przewidywaniu przyszłości, prognozowanie na teraz polega na przewidywaniu teraźniejszości, tj. szacowaniu obecnego lub bliskiego stanu przy użyciu danych w czasie rzeczywistym i analiz predykcyjnych.

Gdzie stosuje się terazcasting?

Nowcasting odgrywa ważną rolę w dziedzinach, w których najświeższe informacje są niezbędne do skutecznego podejmowania decyzji, ale mogą nie być natychmiast dostępne. Takie dziedziny obejmują finanse, meteorologię, zdrowie publiczne, ekonomię i inne. Na przykład w finansach przewidywanie zmian cen akcji w czasie rzeczywistym jest przydatne dla inwestorów do podejmowania świadomych decyzji, a do tego celu można wykorzystać różne dostępne źródła danych i zaawansowane analizy. Podobnie dane z wejść sensorycznych i zdjęcia satelitarne mogą być wykorzystywane do dokładnych krótkoterminowych prognoz pogody w meteorologii. Jednak w tym artykule skupimy się na prognozach makroekonomicznych — prognozowaniu w czasie rzeczywistym kluczowych wskaźników makroekonomicznych, takich jak PKB i inflacja. Oficjalne statystyki dotyczące takich wskaźników są często dostępne tylko z opóźnieniem.

Prognozy makroekonomiczne:

Przewidywanie krótkookresowej dynamiki gospodarki jest kluczowym wkładem w procesy decyzyjne różnych podmiotów gospodarczych. Jednak dokładne oszacowanie kluczowych wskaźników makroekonomicznych może być trudne z różnych powodów. Na przykład oficjalne szacunki są publikowane ze znacznym opóźnieniem , a niepewność danych i szacunków może prowadzić do wielokrotnych korekt, czasem nawet wiele lat po ich pierwszym opublikowaniu. Ponadto potrzebne są różne serie danych do dokładnego rzutowania wskaźników makroekonomicznych — co jeszcze bardziej komplikuje ten proces [1].

Kryzys makroekonomiczny, na przykład spowodowany pandemią Covid-19, sprawia, że ​​prognozowanie teraz jest jeszcze trudniejsze ze względu na bezprecedensowe skutki gospodarcze kryzysu, niekonwencjonalne polityki mające na celu złagodzenie tych kryzysów oraz zawodność tradycyjnych modeli ze względu na ich zależność od opóźnionych danych [2].

Uczenie maszynowe na potrzeby analizy makroekonomicznej:

Wykorzystanie modeli uczenia maszynowego (ML) do prognoz makroekonomicznych jest bardzo korzystne ze względu na ich zdolność do efektywnego przetwarzania zróżnicowanych zestawów danych w czasie rzeczywistym , zarządzania kolinearnością w predyktorach i wychwytywania nieliniowych interakcji między predyktorami a zmiennymi docelowymi. Ponadto modele ML traktują priorytetowo poprawę dokładności prognoz — kluczowy aspekt makroekonomicznych aplikacji do prognozowania nowszego [2].

Przykłady użycia ML do makr nowcasting:

Popularne podejścia do makroekonomicznego rzutowania nowszych to dynamiczny model czynnikowy (DFM) i model mieszanego próbkowania danych (MIDAS); jednak ostatnio wzrasta wykorzystanie modeli ML. Wynika to z konieczności wykorzystania nietradycyjnych i złożonych zestawów danych o wysokiej częstotliwości. Kilka artykułów wymienionych poniżej podkreśla przydatność modeli ML w wydobywaniu wartości ekonomicznej z takich danych. Ponadto artykuły te podkreślają, że modele ML mogą być używane w połączeniu z tradycyjnymi narzędziami ekonometrycznymi, takimi jak modele MIDAS, w celu zwiększenia dokładności prognoz i uzyskania głębszego wglądu w trendy makroekonomiczne [3, 4].

A. Kapetanios, G. i Papailias, F. Big data i analiza makroekonomiczna: przegląd metodologiczny. Raport techniczny, dokumenty dyskusyjne ESCoE DP-2018–12 , 2018. ( link do dokumentu )

B. Richardson, A., Mulder, T. i Vehbi, T. Nowcasting PKB przy użyciu algorytmów uczenia maszynowego: ocena w czasie rzeczywistym. International Journal of Forecasting , 2020. ( link do dokumentu )

C. Chapman, J. i Desai, A. Wykorzystanie danych o płatnościach do prognozowania zmiennych makroekonomicznych podczas początku COVID-19. Journal of Financial Market Infrastructures , 9(1), 2021. ( link do dokumentu )

D. Babii, A., Ghysels, E. i Striaukas, J. Regresje szeregów czasowych uczenia maszynowego z zastosowaniem do rzutowania nowszego. Journal of Business & Economic Statistics , 40, 2022 ( link do dokumentu )

Wyzwania do pokonania:

Jednak korzystanie z modeli ML prowadzi również do kilku wyzwań, które mogą zmniejszyć skuteczność tych modeli w zakresie stosowania zasad. W szczególności problem przeuczenia modelu nowcasting ML; to znaczy, ze względu na elastyczność tych modeli, łatwo jest przesadzić je z danymi w próbce, co może zmniejszyć ich wydajność poza próbą. Ponadto modele te są trudne do interpretacji, co może być ważne dla zrozumienia ich prognoz — zwłaszcza jeśli są one wykorzystywane do wspierania decyzji politycznych.

Naukowcy czynią postępy w przezwyciężaniu tych wyzwań. Na przykład ostatnio opracowanym podejściem w celu złagodzenia problemów z interpretacją jest metodologia oparta na wartościach Shapleya [5, 6]. Należy jednak zauważyć, że chociaż takie metody opierają się na teorii gier, nie zapewniają żadnego optymalnego kryterium statystycznego. Aby temu zaradzić, na przykład w niedawnej pracy [7] autorzy proponują próbkowanie danych mieszanych w oparciu o ML i rozwijają asymptotyki w kontekście liniowych regresji uregulowanych. Jednak należy poczynić znaczne postępy, aby wykorzystać taką analizę asymptotyczną w popularnych nieliniowych podejściach ML.

Bibliografia

[1] D. Giannone, L. Reichlin i D. Small (2008). Nowcasting: zawartość informacyjna danych makroekonomicznych w czasie rzeczywistym. Dziennik ekonomii monetarnej , 55 .

[2] Chapman, JT i Desai, A. (2022). Prognozy makroekonomiczne z wykorzystaniem danych o płatnościach i uczenia maszynowego. arXiv preprint arXiv:2209.00948 .

[3] Zdjęcie, JH i Watson, MW (2011). Dynamiczne modele czynnikowe.

[4] Ghysels, E., Sinko, A. i Valkanov, R. (2007). Regresje MIDAS: dalsze wyniki i nowe kierunki. Przeglądy ekonometryczne , 26 .

[5] Lundberg, SM i Lee, SI (2017). Ujednolicone podejście do interpretacji prognoz modeli. Postępy w neuronowych systemach przetwarzania informacji , 30 .

[6] Buckmann, M., Joseph, A. i Robertson, H. (2021). Otwieranie czarnej skrzynki: interpretacja uczenia maszynowego i narzędzia wnioskowania z zastosowaniem w prognozowaniu ekonomicznym. W nauce o danych dla ekonomii i finansów: metodologie i zastosowania.

[7] Babii, A., Ghysels, E. i Striaukas, J. (2022). Regresje szeregów czasowych uczenia maszynowego z zastosowaniem do rzutowania nowszego. Journal of Business & Economic Statistics , 40.